面向多模态数据的量子联邦学习：一种模态无关方法
人工智能
2025-10-21 v1
摘要
量子联邦学习（QFL）最近被引入，以在量子处理器（客户端）之间实现分布式、隐私保护的量子机器学习（QML）模型训练。尽管近期研究努力不断，但现有 QFL 框架主要关注单模态系统，限制了其适用于通常自然涉及多模态的实际任务。为填补这一显著空白，我们首次提出一种专为 QFL 场景设计的新型多模态方法，采用量子纠缠进行中间融合。此外，为解决 QFL 中多模态的主要瓶颈——即在训练期缺失某些模态会降低模型性能——我们引入了 Missing Modality Agnostic（MMA）机制，该机制隔离未训练的量子电路，确保在不受损坏状态的情况下进行稳定训练。仿真结果表明，带有 MMA 的所提出的多模态 QFL 方法在独立同分布（IID）和非 IID 数据分布下的准确率分别提高了 6.84% 和 7.25%。
引用
@article{arxiv.2507.08217,
title = {Quantum Federated Learning for Multimodal Data: A Modality-Agnostic Approach},
author = {Atit Pokharel and Ratun Rahman and Thomas Morris and Dinh C. Nguyen},
journal= {arXiv preprint arXiv:2507.08217},
year = {2025}
}
备注
This paper was presented at BEAM with CVPR 2025